本发明公开了一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，涉及轴承诊断方法技术领域。所述方法包括如下步骤：对轴承的振动信号数据进行数据集划分并构建对应的故障标签，然后采用复Morlet小波变换对数据集进行时频转换，获得二维时频图像数据集；构建轻量级卷积神经网络模型；利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型，得到训练好的分类器；利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分类，得到分类结果。所述方法在获得较高准确率的同时，具有复杂度低、参数量少、设备要求低等优点。
1.一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于包括如下步骤：对轴承的振动信号数据进行数据集划分并构建对应的故障标签，然后采用复Morlet小波变换对数据集进行时频转换，获得二维时频图像数据集；
利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型，得到训练好的分类器；
利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分类，得到分类结果；
所述轻量级卷积网络模型包括：1个卷积层、14个轻量级卷积结构单元、1个池化层、1个全连接层和一个分类输出层；所述轻量级卷积网络中的卷积层的卷积核为3x3，步长为2，池化层的卷积核大小为2x2，步长为2，分类输出层为10个神经元，共10个故障类别；所述轻量级卷积结构单元有两种：轻量级卷积结构a单元和轻量级卷积结构b单元，在模型结构中，14个轻量级卷积结构单元包括4个所述a单元和10个所述b单元；
所述轻量级卷积结构a单元包括：卷积操作模块、Channel Split操作模块、Concat操作模块和Channel Shuffle操作模块，所述轻量级卷积结构a单元输入端经过一层卷积操作后分为两个分支，其中的一个分支经三个卷积层与Concat操作模块连接，另一个分支经所述Channel Split操作模块后又分为两个分支，这两个分支中的一个分支直接与Concat操作模块连接，另一个分支经三个卷积层后与Concat操作模块连接，所述Concat操作模块的输出端与Channel Shuffle操作模块的输入端连接，所述Channel Shuffle操作模块的输出端为轻量级卷积结构a单元的输出端；
所述轻量级卷积结构b单元包括：Channel Split操作模块、Concat操作模块和Channel Shuffle操作模块，所述Channel Split操作模块的输出端分为两个分支，其中的一个分支直接与Concat操作模块连接，另一个分支经三个卷积层后与Concat操作模块连接，所述Concat操作模块的输出端与Channel Shuffle操作模块的输入端连接，所述Channel Shuffle操作模块的输出端为轻量级卷积结构b单元的输出端。
2.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，所述对轴承的振动信号数据进行数据集划分并构建对应的故障标签的方法如下：采取多种故障类型和健康状态的轴承振动信号，将轴承振动信号按照一定的长度划分并按照比例随机划分为训练数据集、验证数据集和测试数据集，并对数据集打上分类标签。
3.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，复Morlet小波变换的计算公式为：其中t代表时间，ω0代表无量纲频率。
4.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，所述轻量级卷积结构a单元的处理方法如下：输入的特征数据经过步长为2的3*3Conv处理后，通过两个分支进行卷积运算，一个分支包括1*1Conv和3*3DWDConv两层卷积层，另一个分支使用Channel Split操作模块将输入channels又划分为两分支，其中一个分支直接向下传递，另外一个分支经过三个卷积层计算后输出，三个卷积层分别是1*1Conv、3*3DWDConv和1*1Conv，然后，将三个分支的输出通过Concat操作模块连接起来，最后，使用Channel Shuffle操作模块来打乱输出信道的顺序。
5.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，所述轻量级卷积结构b单元的处理方法如下：先使用Channel Split操作模块将输入channels划分为两分支，一个分支直接向下传递，另外一个分支经过三个卷积层计算后输出，三个卷积层分别是1*1Conv、3*3DWDConv和
1*1Conv，然后，将两个分支的输出通过Concat操作模块连接起来，最后，使用Channel Shuffle操作模块来打乱输出信道的顺序。
6.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于，所述轻量级卷积结构a单元的三个分支中，其中两个分支都是先经过一层1*
1Conv卷积层进行处理，其包含BN和ReLU激活函数，然后经过一层3*3DWDConv卷积层进行处理，包含BN激活函数，最后经过一层1*1Conv卷积层进行处理,其包含BN和ReLU激活函数；而另一个分支经过一层3*3DWDConv卷积层进行处理,包含BN，再经过一层1*1Conv卷积层进行处理,其包含BN和ReLU激活函数。
7.如权利要求1所述的基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于：在轻量级卷积结构a单元和轻量级卷积结构b单元中，将BN层合并于Conv层后，Conv层的计算公式为：
ω代表权重参数，σ代表输入X2的方差，μ为输入X2的均值，γ代表缩放因子，ε是防止分母为0的较小的数，β代表偏移量，b代表偏置。
基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法
技术领域
[0001] 本发明涉及轴承故障诊断方法技术领域，尤其涉及一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法。
背景技术
[0002] 滚动轴承在机械中使用十分广泛，它是机械部件的重要组成部分，但是也是机械中最容易出现故障的部件之一。近年来，国内外因为轴承故障而发生的重大事故屡有发生，造成重大的损失。因此对轴承进行故障诊断就显得尤为重要，在轴承发生故障时能够及时
的检测和维修，对设备运转的可靠性有很大的帮助，也能避免造成不必要的损失。
[0003] 对滚动轴承进行故障诊断可以采用传统的方法，但是传统的方法在特征提取和故障分类手段上对相关人员的要求性过高，并且当振动信号混杂了噪声信号后，特征提取的
困难也会增加，而故障轴承振动信号的小波时频图可以很好的显示故障频率及其对应的能
量信息，通过深度神经网络进行特征提取，以进行故障分类。在深度学习中，普通的卷积神经网络都取得了不错的效果，但是随着网络层数的加深，模型的复杂度也越来越高，运算量也越来越多，反应时间也会变长，对设备的要求也会更高。网络层数加深时还会出现梯度消失或者梯度爆炸等影响准确率的问题。
发明内容
[0004] 本发明所要解决的技术问题是如何提供一种在获得较高准确率的同时，复杂度低、参数量少、设备要求低的轴承故障诊断方法。
[0005] 为解决上述技术问题，本发明所采取的技术方案是：一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，其特征在于包括如下步骤：
[0006] 对轴承的振动信号数据进行数据集划分并构建对应的故障标签，然后采用复Morlet小波变换对数据集进行时频转换，获得二维时频图像数据集；
[0007] 构建轻量级卷积神经网络模型；
[0008] 利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型，得到训练好的分类器；
[0009] 利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分类，得到分类结果；
[0010] 根据分类的结果得出轴承是否发生故障。
[0011] 采用上述技术方案所产生的有益效果在于：本申请所述方法采用复Morlet小波将轴承振动数据转换为时频图，可以更好的体现故障轴承振动时的时域和频域特征；将一维
振动信号转换为二维图像信号，利用了轻量级卷积网络更好的图像识别能力，故障的识别
率更高；采用了轻量级神经网络模型，相比于普通卷积神经网络，轻量级网络模型有复杂度低、参数量少、设备的要求低等优点，可以更好用在移动设备上。
附图说明
[0012] 下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0013] 图1是本发明实施例所述方法的流程图；
[0014] 图2a‑2d是本发明实施例中不同故障类型的时频图；
[0015] 图3是本发明实施例中轻量级网络模型a单元的基本组成图；
[0016] 图4是本发明实施例中轻量级网络模型b单元的基本组成图；
[0017] 图5是本发明实施例中模型结构图；
[0018] 图6是本发明实施例中模型的处理流程图；
[0019] 图7a是本发明实施例中识别准确率变化曲线图；
[0020] 图7b是本发明实施例中Loss函数变化曲线图。
具体实施方式
[0021] 下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他
实施例，都属于本发明保护的范围。
[0022] 在下面的描述中阐述了很多
[0023] 具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本
发明不受下面公开的具体实施例的限制。
[0024] 实施例一
[0025] 如图1所示，本发明实施例公开了一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，具体包括如下步骤：
[0026] 对轴承的振动信号数据进行数据集划分并构建对应的故障标签，然后采用复Morlet小波变换对数据集进行时频转换，获得二维时频图像数据集，如图2a‑2d所示；
[0027] 构建轻量级卷积神经网络模型；
[0028] 利用训练数据集和验证数据集训练构建好的轻量级卷积网络模型，得到训练好的分类器；
[0029] 利用训练好的轻量级卷积网络模型对获得的二维时频图像数据集进行分类，得到分类结果；
[0030] 根据分类的结果得出轴承是否发生故障。
[0031] 进一步的，所述对轴承的振动信号数据进行数据集划分并构建对应的故障标签的方法如下：采取多种故障类型和健康状态的轴承振动信号，将轴承振动信号按照一定的长
度划分并按照比例随机划分为训练数据集、验证数据集和测试数据集，并对数据集打上分
类标签。
[0032] 进一步的，所采用的复Morlet小波更适合分析具有冲击衰减波形的特点的轴承故障振动信号，复Morlet小波变换的计算公式为：
[0033]
[0034] 其中t代表时间，ω代表无量纲频率。
[0035] 进一步的，所述的轻量级卷积神经网络包括：1个卷积层、14个轻量级卷积结构单元，1个池化层，1个全连接层和1个分类输出层。
[0036] 进一步的，所述的轻量级卷积神经网络：卷积层的卷积核为3x3，步长为2，池化层的卷积核大小为2x2，步长为2，分类输出层为10个神经元，共10个故障类别。
[0037] 进一步的，所述的轻量级卷积结构有两个单元，单元a和单元b，在模型结构中，14个轻量卷积结构单元是由4个a单元和10个b单元组成。
[0038] 进一步的，如图3所示，所述轻量级卷积结构单元有两种：轻量级卷积结构a单元和轻量级卷积结构b单元，在模型结构中，14个轻量卷积结构单元包括4个a单元和10个b单元；
[0039] 所述轻量级卷积结构a单元包括：卷积操作模块、Channel Split操作模块、Concat操作模块和Channel Shuffle操作模块，所述轻量级卷积结构a单元输入端经过一层卷积操作后分为两个分支，其中的一个分支经三个卷积层与Concat操作模块连接，另一个分支经
所述Channel Split操作模块后又分为两个分支，这两个分支中的一个分支直接与Concat
操作模块连接，另一个分支经三个卷积层后与Concat操作模块连接，所述Concat操作模块
的输出端与Channel Shuffle操作模块的输入端连接，所述Channel Shuffle操作模块的输
出端为轻量级卷积结构a单元的输出端；
[0040] 如图4所示，所述轻量级卷积结构b单元包括：Channel Split操作模块、Concat操作模块和Channel Shuffle操作模块，所述Channel Split操作模块的输出端分为两个分
支，其中的一个分支直接与Concat操作模块连接，另一个分支经三个卷积层后与Concat操
作模块连接，所述Concat操作模块的输出端与Channel Shuffle操作模块的输入端连接，所述Channel Shuffle操作模块的输出端为轻量级卷积结构b单元的输出端。
[0041] 如图3所示，所述轻量级网络模型a单元的处理方法如下：输入的特征数据经过步长为2的3*3Conv处理后，通过两个分支进行卷积运算，一个分支包括1*1Conv和3*3DWDConv两层卷积层，另一个分支使用Channel Split操作模块将输入channels又划分为两分支，其中一个分支直接向下传递，另外一个分支经过三个卷积层计算后输出，三个卷积层分别是
1*1Conv、3*3DWDConv和1*1Conv，然后，将三个分支的输出通过Concat操作模块连接起来，最后，使用Channel Shuffle操作模块来打乱输出信道的顺序。
[0042] 如图4所示，所述轻量级网络模型b单元的处理方法如下：先使用Channel Split操作模块将输入channels划分为两分支，一个分支直接向下传递，另外一个分支经过三个卷
积层计算后输出，三个卷积层分别是1*1Conv、3*3DWDConv和1*1Conv，然后，将两个分支的输出通过Concat操作模块连接起来，最后，使用Channel Shuffle操作模块来打乱输出信道的顺序。
[0043] 进一步的，所述轻量级网络模型的a单元的三个分支中其中两个分支都是先经过一层1*1Conv卷积层进行处理，其包含BN和ReLU激活函数，然后经过一层3*3DWDConv卷积层进行处理，包含BN激活函数，最后经过一层1*1Conv卷积层进行处理,其包含BN和ReLU激活
函数；而另一个分支经过一层3*3DWDConv卷积层进行处理,包含BN，再经过一层1*1Conv卷
积层进行处理,其包含BN和ReLU激活函数。
[0044] 进一步的，在轻量级网络结构单元分支中，采用的3*3DWDConv是内核间隔数量为2的深度可分离空洞卷积。空洞卷积与普通卷积的相同点在于，卷积核的大小是一样的，在神经网络中参数数量不变的情况下空洞卷积具有更大的感受野。
[0045] 在轻量级网络模型的a单元和b单元中，
[0046] 将BN层合并于Conv层后，Conv层的计算公式为：
[0047]
[0048] ω代表权重参数，σ2代表输入X2的方差，μ为输入X2的均值，γ代表缩放因子，ε是防止分母为0的较小的数，β代表偏移量，b代表偏置。
[0049] 进行训练的轻量级卷积网络模型的损失函数采用的是softmax交叉熵损失函数，采用的优化方法为Adam算法，迭代训练40次后损失值不再下降。
[0050] 通过所述方法对采集得到的多种轴承振动信号先进行划分和打标签，然后通过复Morlet小波转换为二维时频图来更好的显示轴承信号的特征，再将特征图输入训练好的轻
量级卷积网络模型进行故障分类，该发明能得到较高的准确率，采用轻量级网络减少了模
型的参数量和降低了模型读对设备的要求，更加具有实用价值。
[0051] 实施例二
[0052] 本发明实施例公开了一种基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法，具体包括如下步骤：
[0053] 步骤1)，对滚动轴承振动信号进行数据集划分和构建对应的故障标签后，采用复Morlet小波对数据集进行时频转换，获得二维时频图像数据集；
[0054] 本次实验数据设置了10种故障类型，然后将每种故障类型的数据分割成864*1的样本，并打上标签。
[0055] 每一种故障类型有200个样本，然后按照7:2:1的比例随机划分成140个训练样本，40个验证样本和20个测试样本。
[0056] 划分好样本后，采用复Morlet小波变换将每一个样本转换为64*64的时频图，如图2所示；
[0057] 复Morlet小波定义为：
[0058]
[0059] 其中t代表时间，ω代表无量纲频率。
[0060] 时频图包含了轴承振动时的时域信号和频域信号，使轴承振动的特征更加明显，便于网络对故障类型的识别。
[0061] 步骤2)，轻量级卷积网络结构构建；
[0062] 轻量级网络相比于普通卷积网络，这种网络的优点是计算参数量少，复杂度低，对设备的性能要求低，反应时间短等。
[0063] 轻量级网络是由轻量级网络结构a单元和轻量级网络结构b单元叠加而成，轻量级网络结构a单元如图3所示，轻量级网络结构b单元如图4所示。该网络的输入是步骤2中的时频图，输出的是故障诊断的结果。
[0064] 轻量级网络结构单元内的3*3DWDConvs是将标准的空洞3维卷积分解为深度空洞卷积和点空洞卷积。在保证特征有效提取的基础上极大地降低了模型参数量和计算量，减
轻了模型应用的计算和存储负担。
[0065] 假设LF为输入映射长度，LK为卷积核尺寸，M为输入映射通道数，N为卷积核数量，则标准卷积的参数量和计算量分别为Lk×M×N和Lk×M×N×LF，一维深度可分离卷积的参数量和计算量分别为Lk×M+1×M×N和Lk×M×LF+M×N×LF。
[0066] 整体模型框架为：特征数据经过一层步长为2的卷积核为3*3的卷积层后，进入轻量级结构单元，14个单元堆叠顺序为：a单元‑‑‑>b单元‑‑‑>b单元‑‑‑>a单元‑‑‑>b单元‑‑‑>b单元‑‑‑>a单元‑‑‑>b单元‑‑‑>b单元‑‑‑>b单元‑‑‑>a单元‑‑‑>b单元‑‑‑>b单元‑‑‑>b单元，经过轻量级结构单元后，特征数据进入卷积核大小为2*2的池化层，最后经过全连接层进行分类输出。
[0067] 在轻量级网络结构单元分支中，采用的3*3DWDConv是内核间隔数量为2的深度可分离空洞卷积。空洞卷积与普通卷积的相同点在于，卷积核的大小是一样的，在神经网络中参数数量不变的情况下空洞卷积具有更大的感受野。
[0068] 在轻量级网络模型单元中，所有Conv层代码定义都结合了BN层，Conv层和BN层合并减少了BN层的计算，可以加快网络推理。
[0069] 将BN层合并于Conv层后，Conv层的计算公式为：
[0070]
[0071] ω代表权重参数，σ2代表输入X2的方差，μ为输入X2的均值，γ代表缩放因子，ε是防止分母为0的较小的数，β代表偏移量，b代表偏置。
[0072] 步骤3)，轻量级网络的训练；
[0073] 将步骤2)中训练集的时频图输入轻量级网络进行训练。设置训练的步数为40次，训练的Batch‑Size为64，网络的损失函数采用的是softmax交叉熵损失函数，采用的优化方法为Adam算法，学习率为0.001。网络的训练过程如图6所示，随着迭代的进行损失值逐渐减小，网络迅速达到稳定状态。
[0074] 步骤4)，利用训练好的网络模型对测试数据集进行分类，得到分类结果。
[0075] 轻量级网络训练完成后，将步骤2中的测试集时频图输入网络进行测试，其分类的准确率达到97％以上，如图7a‑7b所示。
[0076] 综上，所述方法中针对轻量级神经网络对二维图像更强的处理能力，提出了对轴承振动信号进行复Morlet小波变换生成时频图。针对普通神经网络复杂度高，参数量多和
设备性能要求高等，提出了采用轻量级网络进行故障分类，实验结果表明，该方法针对轴承故障识别准确率极高。
[0077] 综上，所述方法中针对轻量级卷积网络神经网络对二维图像更强的处理能力，提出了对轴承振动信号进行复Morlet小波变换生成时频图。针对普通神经网络复杂度高，参
数量多和设备性能要求高等，提出了采用轻量级卷积网络轻量级网络进行故障分类，实验
结果表明，该方法针对轴承故障识别准确率极高。
